本發(fā)明涉及圖像處理、計算機視覺和模式識別技術(shù)領(lǐng)域，具體而言，涉及一種基于均值偏移的復(fù)雜場景下目標(biāo)跟蹤方法及裝置。

背景技術(shù)：
運動目標(biāo)跟蹤是計算機視覺領(lǐng)域的一個重要課題，在軍用視覺制導(dǎo)、機器人導(dǎo)航、安全監(jiān)測、交通管制、醫(yī)療診斷、虛擬現(xiàn)實和戰(zhàn)場警戒、公共安全監(jiān)視、人機交互、圖像壓縮等諸多方面應(yīng)用廣泛。通常，運動目標(biāo)跟蹤涉及到圖像處理、模式識別、人工智能以及自適應(yīng)控制等多領(lǐng)域問題的綜合解決，其中，對于復(fù)雜背景下的圖像處理一直是視覺信息處理和理解的難點。運動目標(biāo)跟蹤是指通過對視頻流或者圖像序列中的運動目標(biāo)進行檢測、特征提取、識別和跟蹤，獲得目標(biāo)的運動參數(shù)，如速度、加速度、位置以及運動軌跡等，從而進行進一步處理與分析，實現(xiàn)運動目標(biāo)的行為理解，以完成更高一級的任務(wù)。在對運動目標(biāo)特征提取時，顏色直方圖信息因其具有特征穩(wěn)定、抗部分遮擋、計算方法簡單和計算量小等特點而被廣泛采用，但是顏色直方圖特征主要缺點是容易受光照、視覺和攝像機參數(shù)等因素的影響，同時也容易被復(fù)雜背景干擾，導(dǎo)致目標(biāo)跟蹤魯棒性不強。脈沖功率激光技術(shù)國家重點實驗室的陳善靜、楊華等獨立研究了一種《基于二階直方圖的改進型均值偏移跟蹤算法》（期刊名：《探測與控制學(xué)報》；卷號：ISSN:1008-1194/CN:61-1316/TJ；期數(shù):2010年04期；頁碼:73），由于其提出的二階直方圖與顏色直方圖相比不僅考慮像素點的顏色值并且考慮像素點間的空間關(guān)系，包含更豐富的目標(biāo)信息，所以抗干擾性和抗拒不遮擋能力更強和受光照影響更小，一定程度上提高了目標(biāo)跟蹤魯棒性，但當(dāng)背景比較復(fù)雜，目標(biāo)與背景顏色相似時，此時用二階直方圖特征進行跟蹤就有可能偏離目標(biāo)，從而導(dǎo)致跟蹤失敗。另外，中國科學(xué)院光電技術(shù)研究所的劉素珍、鄧和林研究了一種《基于顏色直方圖特征和梯度直方圖特征相融合的目標(biāo)跟蹤算法》（期刊名：《激光與紅外》；文章編號：1001-5078（2008）08-0837-04；期數(shù):2008年08期；頁碼:837），在該文中，其聯(lián)合目標(biāo)的灰度特征空間和梯度特征空間，聯(lián)合特征空間中的目標(biāo)模型比單一特征目標(biāo)模型具有更好的魯棒性，能有效地克服目標(biāo)部分遮擋、目標(biāo)和背景灰度相似等因素下的影響。但當(dāng)不同目標(biāo)在灰度和度特征空間均相似時，容易導(dǎo)致跟蹤失敗。為此，在背景復(fù)雜下，目標(biāo)與背景顏色相似時以及不同目標(biāo)在灰度和梯度特征空間均表現(xiàn)相似時，如何提供一種既能實現(xiàn)運動目標(biāo)的準(zhǔn)確跟蹤，又能保障目標(biāo)跟蹤魯棒性的目標(biāo)跟蹤方法便成為了目前亟需解決的問題。

技術(shù)實現(xiàn)要素：
有鑒于此，本發(fā)明提出一種將二階顏色直方圖特征和梯度加權(quán)直方圖相融合，并以均值偏移算法為框架實現(xiàn)目標(biāo)跟蹤的基于均值偏移的復(fù)雜場景下目標(biāo)跟蹤方法及裝置，通過本發(fā)明可以提高目標(biāo)跟蹤算法的準(zhǔn)確度。為了達到本發(fā)明的目的，本發(fā)明采用以下技術(shù)方案實現(xiàn)：一種基于均值偏移的復(fù)雜場景下目標(biāo)跟蹤方法，包括：獲取場景的視頻數(shù)據(jù)，對其進行運動目標(biāo)分離，得到前景目標(biāo)；提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤。一種優(yōu)選實施方式下，獲取場景的視頻數(shù)據(jù)，對其進行運動目標(biāo)分離以得到前景目標(biāo)的處理步驟包括：對視頻數(shù)據(jù)進行顏色空間轉(zhuǎn)換，對轉(zhuǎn)換后的顏色空間進行圖像去噪處理；對進行了圖像去噪處理后的視頻數(shù)據(jù)進行目標(biāo)檢測處理以得到前景目標(biāo)；對所述前景目標(biāo)進行數(shù)學(xué)形態(tài)學(xué)處理和聯(lián)通區(qū)域標(biāo)記處理。一種更為優(yōu)選的實施方式下，所述目標(biāo)檢測處理方法包括背景差分法、幀差法、光流法或者背景建模法。一種優(yōu)選實施方式下，提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤的處理步驟包括：提取前景目標(biāo)中的二階顏色直方圖特征；提取前景目標(biāo)中的梯度加權(quán)直方圖特征；采用以下數(shù)學(xué)式進行特征融合處理：其中，ρ表示融合后的特征匹配系數(shù)，Ri表示融合前的各個特征歸一化匹配系數(shù)，ωi表示Ri所對應(yīng)的權(quán)重，且有N+表示正整數(shù)集，即k≥1且k∈N+；基于融合后的特征以均值偏移算法進行目標(biāo)跟蹤。一種更為優(yōu)選的實施方式下，所述梯度加權(quán)直方圖特征的提取步驟為：以前景目標(biāo)的圖像任意一點為中心構(gòu)建0°、45°、90°、135°四個方向的梯度值；將這四個方向的梯度值相加得到該點的梯度特征；將前景目標(biāo)的整幅圖像的梯度特征信息進行加權(quán)直方圖以得到梯度加權(quán)直方圖特征。一種優(yōu)選實施方式下，提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤的詳細(xì)處理步驟包括：a、在獲取的前景目標(biāo)中確定一目標(biāo)，并確定該目標(biāo)初始質(zhì)心位置為前景目標(biāo)檢測時的位置y0；b、計算目標(biāo)模型的顏色直方圖分布c、計算目標(biāo)模型的顏色直方圖各灰度等級的均值向量u1b和協(xié)方差矩陣Δ1b；d、計算目標(biāo)模型的梯度加權(quán)直方圖e、確定候選目標(biāo)模型的質(zhì)心位置y0；f、計算候選目標(biāo)模型的顏色直方圖分布g、計算候選目標(biāo)模型的顏色直方圖各灰度等級的均值向量u2b(y0)和協(xié)方差矩陣Δ2b(y0)；h、計算候選目標(biāo)模型的梯度加權(quán)直方圖分布i、采用以下數(shù)學(xué)式計算聯(lián)合特征空間的目標(biāo)模型：其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；j、采用以下數(shù)學(xué)式計算聯(lián)合特征空間的候選目標(biāo)模型：其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；k、根據(jù)以下數(shù)學(xué)式計算權(quán)值{ωi},i＝1,2,...,nh：其中，η是高斯常數(shù)，l、利用均值偏移算法，并采用以下數(shù)學(xué)式計算目標(biāo)新位置：其中，Ch為歸一化常數(shù)，且h為核帶寬，nh為目標(biāo)區(qū)域的像素數(shù)；m、采用以下數(shù)學(xué)式計算相似性系數(shù)如果那么y1=(y0+y1)/2，并轉(zhuǎn)步驟l，否則轉(zhuǎn)步驟n；n、如果||y1-y0||<ε，則停止迭代，否則，y0=y1，轉(zhuǎn)步驟b。一種基于均值偏移的復(fù)雜場景下目標(biāo)跟蹤裝置，包括：獲取模塊，用于獲取場景的視頻數(shù)據(jù)；前景分離模塊，用于對獲取的視頻數(shù)據(jù)進行運動目標(biāo)分離，得到前景目標(biāo)；跟蹤模塊，用于提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤。一種優(yōu)選實施方式下，前景分離模塊對獲取場景的視頻數(shù)據(jù)進行運動目標(biāo)分離以得到前景目標(biāo)的處理步驟包括：對視頻數(shù)據(jù)進行顏色空間轉(zhuǎn)換，對轉(zhuǎn)換后的顏色空間進行圖像去噪處理；對進行了圖像去噪處理后的視頻數(shù)據(jù)進行目標(biāo)檢測處理以得到前景目標(biāo)；對所述前景目標(biāo)進行數(shù)學(xué)形態(tài)學(xué)處理和聯(lián)通區(qū)域標(biāo)記處理。一種更為優(yōu)選的實施方式下，所述目標(biāo)檢測處理方法包括背景差分法、幀差法、光流法或者背景建模法。一種優(yōu)選實施方式下，跟蹤模塊提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤的處理步驟包括：提取前景目標(biāo)中的二階顏色直方圖特征；提取前景目標(biāo)中的梯度加權(quán)直方圖特征；采用以下數(shù)學(xué)式進行特征融合處理：其中，ρ表示融合后的特征匹配系數(shù)，Ri表示融合前的各個特征歸一化匹配系數(shù)，ωi表示Ri所對應(yīng)的權(quán)重，且有N+表示正整數(shù)集，即k≥1且k∈N+；基于融合后的特征以均值偏移算法進行目標(biāo)跟蹤。一種更為優(yōu)選的實施方式下，所述梯度加權(quán)直方圖特征的提取步驟為：以前景目標(biāo)的圖像任意一點為中心構(gòu)建0°、45°、90°、135°四個方向的梯度值；將這四個方向的梯度值相加得到該點的梯度特征；將前景目標(biāo)的整幅圖像的梯度特征信息進行加權(quán)直方圖以得到梯度加權(quán)直方圖特征。一種優(yōu)選實施方式下，跟蹤模塊提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤的詳細(xì)處理步驟包括：a、在獲取的前景目標(biāo)中確定一目標(biāo)，并確定該目標(biāo)初始質(zhì)心位置為前景目標(biāo)檢測時的位置y0；b、計算目標(biāo)模型的顏色直方圖分布c、計算目標(biāo)模型的顏色直方圖各灰度等級的均值向量u1b和協(xié)方差矩陣Δ1b；d、計算目標(biāo)模型的梯度加權(quán)直方圖e、確定候選目標(biāo)模型的質(zhì)心位置y0；f、計算候選目標(biāo)模型的顏色直方圖分布g、計算候選目標(biāo)模型的顏色直方圖各灰度等級的均值向量u2b(y0)和協(xié)方差矩陣Δ2b(y0)；h、計算候選目標(biāo)模型的梯度加權(quán)直方圖分布i、采用以下數(shù)學(xué)式計算聯(lián)合特征空間的目標(biāo)模型：其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；j、采用以下數(shù)學(xué)式計算聯(lián)合特征空間的候選目標(biāo)模型：其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；k、根據(jù)以下數(shù)學(xué)式計算權(quán)值{ωi},i＝1,2,...,nh：其中，η是高斯常數(shù)，l、利用均值偏移算法，并采用以下數(shù)學(xué)式計算目標(biāo)新位置：其中，Ch為歸一化常數(shù)，且h為核帶寬，nh為目標(biāo)區(qū)域的像素數(shù)；m、采用以下數(shù)學(xué)式計算相似性系數(shù)如果那么y1=(y0+y1)/2，并轉(zhuǎn)步驟l，否則轉(zhuǎn)步驟n；n、如果||y1-y0||<ε，則停止迭代，否則，y0=y1，轉(zhuǎn)步驟b。通過上述本發(fā)明的技術(shù)方案可以看出，本發(fā)明通過將二階顏色直方圖特征和梯度加權(quán)直方圖特征相融合，并以均值偏移算法為框架實現(xiàn)目標(biāo)跟蹤，可以提高目標(biāo)跟蹤算法的準(zhǔn)確度以及魯棒性。附圖說明圖1是本發(fā)明實施例提供的基于均值偏移的復(fù)雜場景下目標(biāo)跟蹤裝置進行運動目標(biāo)檢測與跟蹤的示意圖；圖2是本發(fā)明實施例提供的基于特征跟蹤的算法結(jié)構(gòu)示意圖；圖3是本發(fā)明實施例提供的二階直方圖示意圖；圖4是本發(fā)明實施例提供的3×3領(lǐng)域梯度模板示意圖；圖5是本發(fā)明實施例提供的以均值偏移算法為框架的多特征目標(biāo)跟蹤算法流程示意圖。本發(fā)明目的的實現(xiàn)、功能特點及優(yōu)異效果，下面將結(jié)合具體實施例以及附圖做進一步的說明。具體實施方式下面結(jié)合附圖和具體實施例對本發(fā)明所述技術(shù)方案作進一步的詳細(xì)描述，以使本領(lǐng)域的技術(shù)人員可以更好的理解本發(fā)明并能予以實施，但所舉實施例不作為對本發(fā)明的限定。本發(fā)明實施例提供了一種基于均值偏移的復(fù)雜場景下目標(biāo)跟蹤方法，參考圖2，其包括如下步驟：S101、獲取場景的視頻數(shù)據(jù)，對其進行運動目標(biāo)分離，得到前景目標(biāo)；S102、提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤。具體實施時，對獲取場景的視頻數(shù)據(jù)進行運動目標(biāo)分離以得到前景目標(biāo)的處理步驟包括：預(yù)處理步驟、目標(biāo)檢測步驟以及后處理步驟三個步驟。一種優(yōu)選實施方式下，在所述步驟S101中，獲取場景的視頻數(shù)據(jù)，對其進行運動目標(biāo)分離以得到前景目標(biāo)的處理步驟包括：S1011、預(yù)處理步驟：對視頻數(shù)據(jù)進行顏色空間轉(zhuǎn)換，對轉(zhuǎn)換后的顏色空間進行圖像去噪處理；例如，為了減少計算量，一種優(yōu)選實施方式下，可以將獲取的視頻數(shù)據(jù)先行灰度化，再對灰度化的數(shù)據(jù)進行圖像去噪處理；S1012、目標(biāo)檢測步驟：對進行了圖像去噪處理后的視頻數(shù)據(jù)進行目標(biāo)檢測處理以得到前景目標(biāo)；一種優(yōu)選的實施方式下，所述目標(biāo)檢測處理方法包括背景差分法、幀差法、光流法或者背景建模法，其中，采用所述背景差分法、幀差法、光流法或者背景建模法進行目標(biāo)檢測處理的詳細(xì)技術(shù)方案是本技術(shù)領(lǐng)域的普通技術(shù)人員所共知的現(xiàn)有技術(shù)，本文對此不做詳細(xì)說明；S1013、后處理步驟：對所述前景目標(biāo)進行數(shù)學(xué)形態(tài)學(xué)處理和聯(lián)通區(qū)域標(biāo)記處理。一種優(yōu)選實施方式下，在所述步驟S102中，參考圖3，提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤的處理步驟包括：S1021、提取前景目標(biāo)中的二階顏色直方圖特征；S1022、提取前景目標(biāo)中的梯度加權(quán)直方圖特征；S1023、采用以下數(shù)學(xué)式進行特征融合處理：其中，ρ表示融合后的特征匹配系數(shù)，Ri表示融合前的各個特征歸一化匹配系數(shù)，ωi表示Ri所對應(yīng)的權(quán)重，且有N+表示正整數(shù)集，即k≥1且k∈N+；S1024、基于融合后的特征以均值偏移算法進行目標(biāo)跟蹤。一種更為優(yōu)選的實施方式下，在所述步驟S1021中，所述梯度加權(quán)直方圖特征的提取步驟為：1、以前景目標(biāo)的圖像任意一點為中心構(gòu)建0°、45°、90°、135°四個方向的梯度值；2、將這四個方向的梯度值相加得到該點的梯度特征；3、將前景目標(biāo)的整幅圖像的梯度特征信息進行加權(quán)直方圖以得到梯度加權(quán)直方圖特征。例如，如圖4所示，假設(shè)I(i,j)表示圖像中任意一點灰度值，為簡化計算，以該點為中心，在其周圍用3×3模板構(gòu)建四個方向梯度可以表示為：0°方向梯度值Th：Th(i,j)=|I(i,j-1)-I(i,j+1)|；45°方向梯度值Tl：Tl(i,j)=|I(i+1,j-1)-I(i-1,j+1)|；90°方向梯度值Tv：Tv(i,j)=|I(i+1,j)-I(i-1,j)|；135°方向梯度值Tr：Tr(i,j)=|I(i+1,j+1)-I(i-1,j-1)|。采用以下公式，將這四個方向梯度值相加即得該點的梯度值T(i,j)：T(i,j)=Th(i,j)+Tl(i,j)+Tv(i,j)+Tr(i,j)；再將T(i,j)梯度特征進行加權(quán)直方圖即得前景目標(biāo)的梯度加權(quán)直方圖特征。一種優(yōu)選實施方式下，在所述步驟S102中，參考圖5，提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤的詳細(xì)處理步驟包括（其中，本文以單目標(biāo)為例進行闡述，多目標(biāo)情況依此類推）：步驟一：從檢測的前景目標(biāo)中定義一目標(biāo)，確定目標(biāo)初始質(zhì)心位置為前景目標(biāo)檢測時的位置y0；步驟二：計算目標(biāo)模型的顏色直方圖分布其中，為了闡明的含義，先假設(shè)目標(biāo)有nh個像素，用{xi},i＝1,2,...nh表示，并假設(shè)目標(biāo)中心為x0，顏色空間劃分成k個相等的區(qū)間，每個區(qū)間作為一個bin，又假設(shè)bin的個數(shù)為m，那么目標(biāo)模型的顏色直方圖特征u＝1,2,...,m估計概率密度可表示為：其中，k(x)是核函數(shù)的輪廓函數(shù)，δ(x)是Delta函數(shù)，h為核帶寬，C是歸一化常數(shù)，表示為步驟三：計算目標(biāo)模型的顏色直方圖各灰度等級的均值向量u1b和協(xié)方差矩陣Δ1b；根據(jù)步驟二中的各參數(shù)假設(shè)，可用下面兩個式子描述u1b和Δ1b：步驟四：計算目標(biāo)模型的梯度加權(quán)直方圖其中，表示的物理意義同步驟二的物理意義一樣；步驟五：確定候選目標(biāo)模型的質(zhì)心位置y0；步驟六：計算候選目標(biāo)模型的顏色直方圖分布根據(jù)步驟二中的各參數(shù)假設(shè)，可用下式描述其中，Ch是歸一化常數(shù)，且有步驟七：計算候選目標(biāo)模型的顏色直方圖各灰度等級的均值向量u2b(y0)和協(xié)方差矩陣Δ2b(y0)，其中，u2b(y0)、Δ2b(y0)的物理意義分別同步驟三中的u1b、Δ1b物理意義一致；步驟八：計算候選目標(biāo)模型的梯度加權(quán)直方圖分布其中，的物理含義同步驟六中的物理意義一致；步驟九：采用下式計算聯(lián)合特征空間的目標(biāo)模型：其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；步驟十：采用下式計算聯(lián)合特征空間的候選目標(biāo)模型：其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；步驟十一：根據(jù)計算權(quán)值{ωi},i＝1,2,...,nh，其中，η是高斯常數(shù)，步驟十二：利用均值偏移算法，采用下式計算目標(biāo)新位置：其中，αi表達式中Ch為歸一化常數(shù)，且h為核帶寬，nh為目標(biāo)區(qū)域的像素數(shù)，vj表達式中意義同步驟十一中一致；步驟十三：采用下式計算相似性系數(shù)如果那么y1=(y0+y1)/2，并轉(zhuǎn)步驟十二，否則進行下一步；步驟十四：如果||y1-y0||<ε，那么停止迭代，否則，y0=y1，轉(zhuǎn)步驟二，重復(fù)之后過程。相應(yīng)地，如圖1所示，本發(fā)明實施例還提供了一種基于均值偏移的復(fù)雜場景下目標(biāo)跟蹤裝置，包括：獲取模塊10，用于獲取場景的視頻數(shù)據(jù)；前景分離模塊20，用于對獲取的視頻數(shù)據(jù)進行運動目標(biāo)分離，得到前景目標(biāo)；跟蹤模塊30，用于提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤。在本實施例中，前景分離模塊20對獲取場景的視頻數(shù)據(jù)進行運動目標(biāo)分離以得到前景目標(biāo)的處理步驟包括：1、對視頻數(shù)據(jù)進行顏色空間轉(zhuǎn)換，對轉(zhuǎn)換后的顏色空間進行圖像去噪處理；2、對進行了圖像去噪處理后的視頻數(shù)據(jù)進行目標(biāo)檢測處理以得到前景目標(biāo)；例如，在本實施例的一種優(yōu)選實施方式中，所述目標(biāo)檢測處理方法包括背景差分法、幀差法、光流法或者背景建模法；其中，采用所述背景差分法、幀差法、光流法或者背景建模法進行目標(biāo)檢測處理的詳細(xì)技術(shù)方案是本技術(shù)領(lǐng)域的普通技術(shù)人員所共知的現(xiàn)有技術(shù)，本文對此不做詳細(xì)說明；3、對所述前景目標(biāo)進行數(shù)學(xué)形態(tài)學(xué)處理和聯(lián)通區(qū)域標(biāo)記處理。在本實施例中，參考圖3，跟蹤模塊30提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤的處理步驟包括：1、提取前景目標(biāo)中的二階顏色直方圖特征；2、提取前景目標(biāo)中的梯度加權(quán)直方圖特征；3、采用以下數(shù)學(xué)式進行特征融合處理：其中，ρ表示融合后的特征匹配系數(shù)，Ri表示融合前的各個特征歸一化匹配系數(shù)，ωi表示Ri所對應(yīng)的權(quán)重，且有N+表示正整數(shù)集，即k≥1且k∈N+；4、基于融合后的特征以均值偏移算法進行目標(biāo)跟蹤。其中，依據(jù)本發(fā)明實施例的一種優(yōu)選實施方式，所述梯度加權(quán)直方圖特征的提取步驟為：1）以前景目標(biāo)的圖像任意一點為中心構(gòu)建0°、45°、90°、135°四個方向的梯度值；2）將這四個方向的梯度值相加得到該點的梯度特征；3）將前景目標(biāo)的整幅圖像的梯度特征信息進行加權(quán)直方圖以得到梯度加權(quán)直方圖特征。例如，如圖4所示，假設(shè)I(i,j)表示圖像中任意一點灰度值，為簡化計算，以該點為中心，在其周圍用3×3模板構(gòu)建四個方向梯度可以表示為：0°方向梯度值Th：Th(i,j)=|I(i,j-1)-I(i,j+1)|；45°方向梯度值Tl：Tl(i,j)=|I(i+1,j-1)-I(i-1,j+1)|；90°方向梯度值Tv：Tv(i,j)=|I(i+1,j)-I(i-1,j)；135°方向梯度值Tr：Tr(i,j)=|I(i+1,j+1)-I(i-1,j-1)|。采用以下公式，將這四個方向梯度值相加即得該點的梯度值T(i,j)：T(i,j)=Th(i,j)+Tl(i,j)+Tv(i,j)+Tr(i,j)；再將T(i,j)梯度特征進行加權(quán)直方圖即得前景目標(biāo)的梯度加權(quán)直方圖特征。依據(jù)本發(fā)明實施例的一種優(yōu)選實施方式，參考圖5，跟蹤模塊30提取前景目標(biāo)中的二階顏色直方圖特征和梯度加權(quán)直方圖特征，并基于所述二階顏色直方圖特征和梯度加權(quán)直方圖特征以均值偏移算法為框架對前景目標(biāo)進行目標(biāo)跟蹤的詳細(xì)處理步驟包括（其中，本文以單目標(biāo)為例進行闡述，多目標(biāo)情況依此類推）：步驟一：從檢測的前景目標(biāo)中定義一目標(biāo)，確定目標(biāo)初始質(zhì)心位置為前景目標(biāo)檢測時的位置y0；步驟二：計算目標(biāo)模型的顏色直方圖分布其中，為了闡明的含義，先假設(shè)目標(biāo)有nh個像素，用{xi},i＝1,2,...nh表示，并假設(shè)目標(biāo)中心為x0，顏色空間劃分成k個相等的區(qū)間，每個區(qū)間作為一個bin，又假設(shè)bin的個數(shù)為m，那么目標(biāo)模型的顏色直方圖特征u＝1,2,...,m估計概率密度可表示為：其中，k(x)是核函數(shù)的輪廓函數(shù)，δ(x)是Delta函數(shù)，h為核帶寬，C是歸一化常數(shù)，表示為步驟三：計算目標(biāo)模型的顏色直方圖各灰度等級的均值向量u1b和協(xié)方差矩陣Δ1b；根據(jù)步驟二中的各參數(shù)假設(shè)，可用下面兩個式子描述u1b和Δ1b：步驟四：計算目標(biāo)模型的梯度加權(quán)直方圖其中，表示的物理意義同步驟二的物理意義一樣；步驟五：確定候選目標(biāo)模型的質(zhì)心位置y0；步驟六：計算候選目標(biāo)模型的顏色直方圖分布根據(jù)步驟二中的各參數(shù)假設(shè)，可用下式描述其中，Ch是歸一化常數(shù)，且有步驟七：計算候選目標(biāo)模型的顏色直方圖各灰度等級的均值向量u2b(y0)和協(xié)方差矩陣Δ2b(y0)，其中，u2b(y0)、Δ2b(y0)的物理意義分別同步驟三中的u1b、Δ1b物理意義一致；步驟八：計算候選目標(biāo)模型的梯度加權(quán)直方圖分布其中，的物理含義同步驟六中的物理意義一致；步驟九：采用下式計算聯(lián)合特征空間的目標(biāo)模型：其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；步驟十：采用下式計算聯(lián)合特征空間的候選目標(biāo)模型：其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；步驟十一：根據(jù)計算權(quán)值{ωi},i＝1,2,...,nh，其中，η是高斯常數(shù)，步驟十二：利用均值偏移算法，采用下式計算目標(biāo)新位置：其中，αi表達式中Ch為歸一化常數(shù)，且h為核帶寬，nh為目標(biāo)區(qū)域的像素數(shù)，vj表達式中意義同步驟十一中一致；步驟十三：采用下式計算相似性系數(shù)如果那么y1=(y0+y1)/2，并轉(zhuǎn)步驟十二，否則進行下一步；步驟十四：如果||y1-y0||<ε，那么停止迭代，否則，y0=y1，轉(zhuǎn)步驟二，重復(fù)之后過程。以上所述僅為本發(fā)明的優(yōu)選實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護范圍內(nèi)。